CN112269373B - 一种车辆控制系统的状态估计模块 - Google Patents

一种车辆控制系统的状态估计模块 Download PDF

Info

Publication number
CN112269373B
CN112269373B CN202011200235.7A CN202011200235A CN112269373B CN 112269373 B CN112269373 B CN 112269373B CN 202011200235 A CN202011200235 A CN 202011200235A CN 112269373 B CN112269373 B CN 112269373B
Authority
CN
China
Prior art keywords
state
vehicle
time
noise
moment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011200235.7A
Other languages
English (en)
Other versions
CN112269373A (zh
Inventor
张英杰
李明
张营
胡作磊
孙庆帅
陆碧良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202011200235.7A priority Critical patent/CN112269373B/zh
Publication of CN112269373A publication Critical patent/CN112269373A/zh
Application granted granted Critical
Publication of CN112269373B publication Critical patent/CN112269373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了一种车辆控制系统的状态估计模块，包括初始变量输入模块、无迹变换模块、一步预测模块、量测更新模块、噪声估计模块和状态量更新模块。本发明在迭代过程中充分考虑历史数据和最新量测数据的影响，用于估计系统的过程噪声Qk，大大提高了车辆控制系统状态变量的准确性。

Description

一种车辆控制系统的状态估计模块
技术领域
本发明属于车辆控制领域，尤其涉及一种车辆控制系统的状态估计模块。
背景技术
车辆控制系统包括数据采集单元、控制单元和执行机构。数据采集单元包括方向盘信息、制动踏板、油门踏板和挡位等信息，控制单元包括车辆转向系统控制单元、制动系统控制单元和驱动系统控制单元，执行机构包括自动变速箱、制动器和方向盘自主转向机构等。车辆状态估计模块是车辆驱动系统中一个重要模块，在车辆控制系统中，传感器数据的值存在噪声和随机波动导致数据不准确，而通过模型计算出的数据准确性很大依赖于模型的精确与否。获得准确的车辆状态信息是车辆取得良好控制效果的基础条件。基于自适应卡尔曼滤波算法的车辆状态信息估计模块，作为车辆控制系统中的一个重要组成部分，其对状态量的准确估计对车辆行驶的经济性和安全性都有重大影响。
卡尔曼滤波器被用于处理线性系统的状态估计，但实际系统大多具有非线性特征，以线性随机差分方程为基础的卡尔曼滤波不适用于实际系统。为了处理非线性问题，对非线性系统进行近似线性化处理的扩展卡尔曼（Extended Kalman filtering,EKF）滤波方法被提出来，由于忽略高阶项引入线性误差，存在滤波器发散问题。为了解决EKF存在线性误差问题，无迹卡尔曼滤波算法（Unscented Kalman Filter，UKF）被提出来。无迹卡尔曼滤波器没有对原非线性系统进行近似，而是通过无迹变换（Unscented transformation,UT）,对非线性系统的概率分布进行近似，减小了EKF对非线性函数进行近似的难度。无迹卡尔曼滤波算法的应用前提是假设系统过程噪声和测量噪声的统计特性是已知的，噪声服从高斯分布。在实际系统中，当系统发生内部扰动或外部环境扰动时，噪声统计特性是未知且时变的。若假设的噪声统计特性与实际的噪声统计特性偏差较大，容易导致滤波器发散。
为了提高非线性系统状态估计准确性，许多自适应卡尔曼滤波算法被提出来用于估计噪声。其中指数加权自适应卡尔曼滤波算法是比较经典的一种算法。指数衰减自适应卡尔曼滤波算法中，调制因子b的选择是决定状态估计准确性的因素之一。b越大对于历史数据的权重衰减越慢，b越小对于历史数据的权重衰减越快。一般指数衰减噪声估计其选取b为接近1的常数，这种情况下无论迭代多少次，对于历史数据的衰减总是按照一定的速度进行的。而在时变系统中，状态时变较快时希望更多考虑最新数据，状态时变较慢时希望综合考虑历史数据。为了克服一般指数衰减噪声估计器的缺点，提出一种加强自适应卡尔曼滤波噪声估计器，提高车辆控制系统状态变量估计的准确性。
发明内容
为解决上述问题，本发明公开了一种车辆控制系统的状态估计模块。本发明在迭代过程中充分考虑历史数据和最新量测数据的影响，用于估计系统的过程噪声Qk，大大提高了车辆控制系统中状态变量的准确性。
为实现上述目的，本发明的技术方案为：
一种车辆控制系统的状态估计模块，包括初始变量输入模块、无迹变换模块、一步预测模块、量测更新模块、噪声估计模块和状态量更新模块；车辆控制系统的状态估计模块对车辆状态初始变量进行如下处理：
步骤一、将车辆状态变量输入初始变量输入模块的系统噪声未知的非线性系统模型，得到对应时刻的车辆状态向量；
步骤二、获得各时刻的车辆状态向量集合即状态变量x，无迹变换模块对状态变量 x进行无迹变换，得到
Figure 357632DEST_PATH_IMAGE002
点集；
步骤三、一步预测模块根据无迹变换结果获得先验估计值
Figure 274772DEST_PATH_IMAGE004
和误差协 方差矩阵
Figure 54509DEST_PATH_IMAGE006
；
步骤四、量测更新模块根据先验估计值
Figure 512036DEST_PATH_IMAGE008
以及误差协方差矩阵
Figure 326408DEST_PATH_IMAGE010
计算得到k时刻的状态更新值
Figure 961920DEST_PATH_IMAGE012
和状态变量x的误差协方差矩阵 更新
Figure 228953DEST_PATH_IMAGE014
；
Figure 490170DEST_PATH_IMAGE016
输入无迹变换模块进行无迹变换得到新的
Figure 159049DEST_PATH_IMAGE018
点集；
步骤五、通过噪声估计模块设计噪声估计器：
设状态变量变化率
Figure 152413DEST_PATH_IMAGE020
，满足
Figure 719791DEST_PATH_IMAGE021
（8）
其中，
Figure 456803DEST_PATH_IMAGE023
表示第k时刻的过程噪声统计估计值，
Figure 980188DEST_PATH_IMAGE025
为第k时刻控制系 统状态变量真实值，
Figure 472350DEST_PATH_IMAGE027
，j=1, 2,...k;b为调制因子，且
Figure 713975DEST_PATH_IMAGE029
满足
Figure 802148DEST_PATH_IMAGE031
；
Figure 445619DEST_PATH_IMAGE033
表示第j时刻的卡尔曼 滤波增益矩阵，
Figure 780785DEST_PATH_IMAGE035
表示的
Figure 572024DEST_PATH_IMAGE037
转置，
Figure 650838DEST_PATH_IMAGE039
表示第j时刻车辆状态输出预 测值与实际量测值之间的误差矩阵，
Figure 148816DEST_PATH_IMAGE041
表示
Figure 730582DEST_PATH_IMAGE043
的转置；
Figure 681221DEST_PATH_IMAGE045
表示车辆 状态变量的第j时刻的误差协方差阵，
Figure 563726DEST_PATH_IMAGE047
表示j-1时刻第i个
Figure 978527DEST_PATH_IMAGE049
点经f变换得到的第i个
Figure 921075DEST_PATH_IMAGE051
点；
Figure 172059DEST_PATH_IMAGE053
表示车辆在第j时刻状态变量 的先验估计；
Figure 592676DEST_PATH_IMAGE055
表示在第j时刻，x无迹变换后的第i个点
Figure 65246DEST_PATH_IMAGE057
与第j时刻x的 先验估计的方差权系数，n表示状态变量个数，状态变量包括车辆行驶纵向速度、侧向速度 和横摆角速度，n=3；
步骤六、将步骤五中的
Figure 241012DEST_PATH_IMAGE059
带入一步预测模块中，完成车辆在第k时刻 状态变量
Figure 166243DEST_PATH_IMAGE061
的先验估计及噪声
Figure 390551DEST_PATH_IMAGE063
统计估计；
步骤七、重复步骤四到步骤六，完成车辆状态变量的迭代、更新过程。
进一步的改进，所述步骤一包括如下步骤：建立系统噪声未知的非线性系统模型：
Figure 265097DEST_PATH_IMAGE064
（1）
式中，
Figure 549448DEST_PATH_IMAGE066
表示第k时刻车辆状态向量，
Figure 961974DEST_PATH_IMAGE068
，
Figure 52290DEST_PATH_IMAGE070
表示第k时刻车辆纵向速度，
Figure 233873DEST_PATH_IMAGE072
表示第k时刻车辆侧向速度，
Figure 423546DEST_PATH_IMAGE074
表示第k时刻车辆横摆角速度。
Figure 136418DEST_PATH_IMAGE076
，
Figure 702528DEST_PATH_IMAGE078
表示n维实数集，
Figure 4197DEST_PATH_IMAGE080
表示第k-1时刻控制 量，包括前轮转角
Figure 427088DEST_PATH_IMAGE082
和车轮转速
Figure 814207DEST_PATH_IMAGE084
；
Figure 994128DEST_PATH_IMAGE086
表示第k-1时刻过程噪声，
Figure 884724DEST_PATH_IMAGE088
表示第k时刻量测值，
Figure 681778DEST_PATH_IMAGE090
，
Figure 352931DEST_PATH_IMAGE092
表示第k时刻量测噪声，过 程噪声和量测噪声均服从零均值的高斯分布；
Figure 526423DEST_PATH_IMAGE094
，
Figure 537105DEST_PATH_IMAGE096
； f（）表示车辆状态微分方程，h（）表示车辆量测 函数；
Figure 318110DEST_PATH_IMAGE098
和
Figure 414242DEST_PATH_IMAGE100
是互不相关的高斯白噪声，满足
Figure 125846DEST_PATH_IMAGE102
（2）
cov（）表示量测噪声和过程噪声的协方差。
进一步的改进，所述步骤二包括如下步骤：
对状态变量x进行无迹变换，状态变量x即
Figure 53351DEST_PATH_IMAGE104
的集合：
构造2n+1个
Figure 192208DEST_PATH_IMAGE105
点构成点集
Figure 775636DEST_PATH_IMAGE107
，使得2n+1个点
Figure 838401DEST_PATH_IMAGE018
的分布按照x的 概率分布进行分布；
Figure 823675DEST_PATH_IMAGE108
（3）
式（3）中，
Figure 133433DEST_PATH_IMAGE110
为第k-1时刻x的估计值，
Figure 266475DEST_PATH_IMAGE112
为第k-1时刻的误差协 方差矩阵，n是状态变量个数，
Figure 319881DEST_PATH_IMAGE114
；
Figure 159661DEST_PATH_IMAGE116
表示第k-1时刻的 第i个
Figure 453370DEST_PATH_IMAGE118
点。
进一步的改进，所述步骤三包括如下步骤：
Figure 745812DEST_PATH_IMAGE120
点经过非线性变换得到中间变量
Figure 665226DEST_PATH_IMAGE122
，然后计算得到先验估计值
Figure 359513DEST_PATH_IMAGE124
和误差协方差矩阵
Figure 11074DEST_PATH_IMAGE126
；
Figure 866510DEST_PATH_IMAGE127
（4）
其中
Figure 261719DEST_PATH_IMAGE129
表示第i个
Figure 810512DEST_PATH_IMAGE131
点的均值权值系数，
Figure 960871DEST_PATH_IMAGE133
表示第i个
Figure 227904DEST_PATH_IMAGE135
点的协方差权值系数；
Figure 426804DEST_PATH_IMAGE137
表示k-1时刻的第i个
Figure 643153DEST_PATH_IMAGE139
点经过车辆状态方程变换得到的中间变量，
Figure 902096DEST_PATH_IMAGE141
表示第k时刻的过程噪声统 计估计值。
进一步的改进，所述步骤四包括如下步骤：
对
Figure 656425DEST_PATH_IMAGE143
进行无迹变换，得到点集
Figure 455754DEST_PATH_IMAGE145
，经过非 线性变化得到中间变量
Figure 979139DEST_PATH_IMAGE147
，再根据式（5）计算得到第k时刻输 出预测值
Figure 222033DEST_PATH_IMAGE149
和第k时刻的量测变量协方差阵
Figure 198079DEST_PATH_IMAGE151
；根据k时刻的实际量 测值
Figure 738782DEST_PATH_IMAGE153
，由式（5）计算得到k时刻的状态更新值
Figure 444570DEST_PATH_IMAGE155
和状态变量x的误差协方差 矩阵更新
Figure DEST_PATH_IMAGE156
；
Figure DEST_PATH_IMAGE158
用于下一轮的无迹变换，再次求
Figure 592785DEST_PATH_IMAGE018
点集。
Figure 321707DEST_PATH_IMAGE159
（5）
其中，
Figure 400522DEST_PATH_IMAGE161
为输出预测值，
Figure 960816DEST_PATH_IMAGE163
为自协方差矩阵，
Figure 466884DEST_PATH_IMAGE165
为x与z 的互协方差矩阵，
Figure 683101DEST_PATH_IMAGE167
为第k时刻卡尔曼滤波增益矩阵，
Figure 375726DEST_PATH_IMAGE169
为第k时刻状 态估计值更新，
Figure 728210DEST_PATH_IMAGE171
为车辆状态变量的误差协方差矩阵更新，
Figure 670758DEST_PATH_IMAGE173
为第k时 刻车辆动力学系统量测噪声的方差矩阵。
本发明优点：
本发明在迭代过程中充分考虑历史数据和最新量测数据的影响，用于估计系统的过程噪声Qk，大大提高了车辆控制系统状态变量的准确性。
附图说明
图1为本发明的流程示意图；
图2为车辆控制系统状态估计模块结构图；
图3（a）为车辆纵向速度通过加强自适应UKF、一般指数加权UKF预估的预估值与真实值的度对比图；
图3（b）为通过加强自适应UKF、一般指数加权UKF预估得到的车辆纵向速度误差对比图；
图3（c）为车辆侧向速度通过加强自适应UKF、一般指数加权UKF预估的侧向速度预估值与真实值的度对比图；
图3（d）为通过加强自适应UKF、一般指数加权UKF预估得到的车辆侧向速度误差对比图；
图3（e）为车辆侧向速度通过加强自适应UKF、一般指数加权UKF预估的横摆角速度预估值与真实值的度对比图；
图3（f）为通过加强自适应UKF、一般指数加权UKF预估得到的车辆横摆角速度对比图。
具体实施方式
以下结合附图及实施例对本发明做进一步说明。
本发明提出的技术方案为：
步骤一、对非线性系统建模：
系统噪声未知的非线性系统模型如下：
Figure 171010DEST_PATH_IMAGE064
（1）
式中，
Figure 591627DEST_PATH_IMAGE175
表示第k时刻车辆状态向量，
Figure DEST_PATH_IMAGE177
，
Figure 877246DEST_PATH_IMAGE070
表示第k时刻车辆纵向速度，
Figure 725116DEST_PATH_IMAGE179
表示第k时刻车辆侧向速度，
Figure 712664DEST_PATH_IMAGE074
表示第k时刻车辆横摆角速度。
Figure 936972DEST_PATH_IMAGE181
，
Figure 77097DEST_PATH_IMAGE183
表示第k-1时刻控制量，包括前轮转角
Figure 361448DEST_PATH_IMAGE185
和 车轮转速
Figure 773975DEST_PATH_IMAGE187
。
Figure 598711DEST_PATH_IMAGE189
表示第k-1时刻过程噪声，
Figure 780294DEST_PATH_IMAGE191
表示第k时刻量测值，
Figure 235546DEST_PATH_IMAGE192
，
Figure 948418DEST_PATH_IMAGE194
表示第k时刻量测噪声，过程噪声和量测噪声均服从零均 值的高斯分布。
Figure 514529DEST_PATH_IMAGE196
，
Figure 550618DEST_PATH_IMAGE198
。
Figure 239088DEST_PATH_IMAGE200
表示车辆状态微分方程，
Figure 626207DEST_PATH_IMAGE202
表示车 辆量测函数。
Figure 730429DEST_PATH_IMAGE204
和
Figure 696724DEST_PATH_IMAGE206
是互不相关的高斯白噪声，满足
Figure 493779DEST_PATH_IMAGE208
（2）
步骤二、对状态变量x进行无迹变换：
构造2n+1个
Figure 102614DEST_PATH_IMAGE105
点构成点集
Figure 338424DEST_PATH_IMAGE210
，使得2n+1个
Figure 349105DEST_PATH_IMAGE018
点的分布近似x的 概率分布
Figure 130110DEST_PATH_IMAGE108
（3）
式（3）中，
Figure 226242DEST_PATH_IMAGE110
第k-1时刻x的估计值，
Figure 672267DEST_PATH_IMAGE112
为第k-1时刻的误差协方 差矩阵，n是变量个数，
Figure 865351DEST_PATH_IMAGE114
；
Figure 4208DEST_PATH_IMAGE212
表示第k-1时刻的第i个
Figure DEST_PATH_IMAGE213
点。
步骤三、一步预测模块：
Figure 400686DEST_PATH_IMAGE120
点经过非线性变换得到中间变量
Figure 650402DEST_PATH_IMAGE122
，然后计算得到先验估计值
Figure 635675DEST_PATH_IMAGE215
和误差协方差矩阵
Figure 7751DEST_PATH_IMAGE217
；
Figure 78475DEST_PATH_IMAGE127
（4）
其中
Figure 131881DEST_PATH_IMAGE219
表示第i个
Figure DEST_PATH_IMAGE221
点的均值（mean）权值系数，
Figure DEST_PATH_IMAGE223
表示第i个
Figure DEST_PATH_IMAGE225
点的协方差（covariance）权值系数；
Figure 847028DEST_PATH_IMAGE227
表示k-1时刻的第i个
Figure 327688DEST_PATH_IMAGE229
点经过车辆状态方程变换得到的中间 变量，
Figure DEST_PATH_IMAGE231
表示第k时刻的过程噪声统计估计值。
步骤四、量测更新模块：
对
Figure 453686DEST_PATH_IMAGE143
进行无迹变换，得到点集
Figure DEST_PATH_IMAGE233
，经过非 线性变化得到中间变量
Figure 373100DEST_PATH_IMAGE235
，再根据式（5）计算得到第k时刻输 出预测值
Figure 67387DEST_PATH_IMAGE237
和第k时刻的量测变量协方差阵
Figure DEST_PATH_IMAGE238
；根据k时刻的实际量 测值
Figure DEST_PATH_IMAGE240
，由式（5）计算得到k时刻的状态更新值
Figure DEST_PATH_IMAGE242
和状态变量x的误差协方差 矩阵更新
Figure 531997DEST_PATH_IMAGE244
；
Figure 639631DEST_PATH_IMAGE246
用于下一轮的无迹变换，再次求
Figure 34840DEST_PATH_IMAGE018
点集。
Figure 583633DEST_PATH_IMAGE159
（5）
其中，
Figure DEST_PATH_IMAGE248
为输出预测值，
Figure DEST_PATH_IMAGE250
为自协方差矩阵，
Figure 484724DEST_PATH_IMAGE251
为x与z 的互协方差矩阵，
Figure 814074DEST_PATH_IMAGE253
为第k时刻卡尔曼滤波增益矩阵，
Figure 747395DEST_PATH_IMAGE169
为第k时刻状 态估计值更新，
Figure 416274DEST_PATH_IMAGE255
为车辆状态（包括纵向速度、侧向速度和横摆角速度）的误差 协方差矩阵更新，
Figure 488266DEST_PATH_IMAGE257
为第k时刻车辆动力学系统量测噪声的方差矩阵。
步骤5：设计噪声估计器
Figure 977016DEST_PATH_IMAGE259
对于时变噪声统计特点，强调最新数据的作用而弱化历史数据的作用，用指数加 权替代平均数加权，指数加权函数如下
Figure 41924DEST_PATH_IMAGE261
（6）
Figure 565309DEST_PATH_IMAGE263
为衰减指数，b为指数调制因子，
Figure 729575DEST_PATH_IMAGE265
，b越大，衰减 速度越快。
过程噪声表达式如下
Figure 781320DEST_PATH_IMAGE266
其中
Figure 322022DEST_PATH_IMAGE268
。（备注：中间省略号表 示从包含β3的因子到βi-1）
将式（6）带入式（7）中，得到过程噪声估计值。可以看出在迭代初期，历史数据少，历史数据也能反映最新信息，因子各时刻包含历史信息分量的权值较大，随着迭代次数的增加，产生的历史数据较多，越是陈旧数据其权系数越小，包含最新采集数据分量的权值最大。当迭代次数更高时，包含历史信息的权值近似为零，可以理解为舍弃了最早期部分的历史数据，而强调最新数据的影响，该算法适用于系统变化较快情况。对于系统状态变化缓慢时，历史数据对于噪声估计仍有一定的影响，其权重衰减过快会失去该部分历史数据的重要作用。针对在时变较慢系统中指数衰减较快导致未能充分考虑历史数据的重要作用，提出一种加强自适应UKF算法，能够综合考虑历史数据和最新信息的权重。当系统状态量变化较快时采取一般指数加权UKF方法估计状态量，当系统状态量变化较慢时采取均值加权UKF方法估计状态量。以状态变化率的大小衡量状态量变化快慢，在达到临界值时进行加权算法的切换。
设计调制因子自适应规则如下：
设状态变量变化率
Figure 699914DEST_PATH_IMAGE270
，满足
Figure 362977DEST_PATH_IMAGE021
（8）
其中
Figure 826319DEST_PATH_IMAGE272
为控制系统状态变量真实值，
Figure 170713DEST_PATH_IMAGE274
，且
Figure 481739DEST_PATH_IMAGE276
满足
Figure 987807DEST_PATH_IMAGE278
。
步骤6：将噪声估计器式（8）带入式（4）中，完成车辆状态变量包括车辆纵向速度、侧向速度和横摆角速度的先验估计。
将式（8）带入式（4）中得到车辆在k+1时刻的状态变量的先验估计
Figure 204025DEST_PATH_IMAGE280
及其噪声统计估计
Figure 148847DEST_PATH_IMAGE282
。
步骤7：重复步骤4—步骤6，完成车辆状态变量的迭代、更新过程。
对比现有指数加权自适应卡尔曼滤波器和新型自适应卡尔曼滤波器的状态估计 准确性。状态估计准确性以实际值与估计值的标准误差（Root Mean Squared Error,RMSE） 评价。
Figure 501331DEST_PATH_IMAGE284
（9）
对测试车辆volvo V40进行系统建模，并将状态估计算法用于对控制系统状态变 量
Figure 178300DEST_PATH_IMAGE286
进行估计，
Figure 429284DEST_PATH_IMAGE288
表示车辆纵向速度，
Figure 115480DEST_PATH_IMAGE290
表示车辆侧向速度，
Figure 322471DEST_PATH_IMAGE292
表示车辆横摆角速度。量测数据来源于测试车辆volvo V40 上的GPS和惯性测量。测试车辆 参数见表1.
表1 车辆参数表
Figure DEST_PATH_IMAGE293
车辆三自由度动力学系统模型如下
Figure 498237DEST_PATH_IMAGE294
（10）
Figure 423468DEST_PATH_IMAGE296
，
Figure 460825DEST_PATH_IMAGE298
分别是四个轮胎在纵向和侧向的合力;
Figure 787901DEST_PATH_IMAGE300
是横摆力矩，
Figure 72252DEST_PATH_IMAGE302
Figure DEST_PATH_IMAGE304
分别为车辆纵向速度和 侧向速度，r是横摆角速度，
Figure DEST_PATH_IMAGE306
为前轮转角。
对行驶车辆中的纵向速度、侧向速度和横摆角速度等状态进行估计，应用两种方法，估计结果如表2和图3
表2 原有指数加权卡尔曼滤波算法估计误差
状态变量
RMSE（一般指数加权UKF） 5.33*10<sup>-1</sup> 5.81*10<sup>-3</sup> 1.47*10<sup>-2</sup>
RMSE（加强自适应UKF） 3.64*10<sup>-1</sup> 4.00*10<sup>-3</sup> 1.42*10<sup>-2</sup>
从表2和图3（a）-图3（f）中可以看出加强自适应UKF对应的控制系统状态估计模块得到的状态量准确性比一般指数加权UKF方法高。
尽管本发明的实施方案已公开如上，但并不仅仅限于说明书和实施方案中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里所示出与描述的图例。

Claims (1)

1.一种车辆控制系统的状态估计模块，其特征在于，包括初始变量输入模块、无迹变换模块、一步预测模块、量测更新模块、噪声估计模块和状态量更新模块；车辆控制系统的状态估计模块对车辆状态初始变量进行如下处理：
步骤一、将车辆状态变量输入初始变量输入模块的系统噪声未知的非线性系统模型，得到对应时刻的车辆状态向量；所述车辆状态变量包括纵向车速、侧向车速和横摆角速度；
建立系统噪声未知的非线性系统模型：
Figure FDA0003159816500000011
式中，xk表示第k时刻车辆状态向量，xk＝[vx,k vy,k rk]T，vx,k表示第k时刻车辆纵向速度，vy,k表示第k时刻车辆侧向速度，rk表示第k时刻车辆横摆角速度；xk∈Rn，Rn表示n维实数集，uk-1表示第k-1时刻控制量，包括前轮转角δ和车轮转速vr；ωk-1表示第k-1时刻过程噪声，zk表示第k时刻量测值，zk∈Rn，vk表示第k时刻量测噪声，过程噪声和量测噪声均服从零均值的高斯分布；ωk-1～N(0,Qk-1)，vk～N(0,Rk)；f()表示车辆状态微分方程，h()表示车辆量测函数；ωk和vk是互不相关的高斯白噪声，满足
cov(ωk,υk)＝0 (2)
cov()表示量测噪声和过程噪声的协方差
步骤二、获得各时刻的车辆状态向量集合即状态变量x，无迹变换模块对状态变量x进行无迹变换，得到ξ点集；
对状态变量x进行无迹变换，状态变量x即xk的集合：
构造2n+1个ξ点构成点集{ξi|i＝0,1,...,2n}，使得2n+1个ξ点的分布按照x的概率分布进行分布；
Figure FDA0003159816500000021
式(3)中，
Figure FDA0003159816500000022
为第k-1时刻x的估计值，Pk-1为第k-1时刻的误差协方差矩阵，n是状态变量个数，其中n＝3，λ＝3-n；
Figure FDA0003159816500000023
表示第k-1时刻的第i个ξ点；
步骤三、一步预测模块根据无迹变换结果获得先验估计值
Figure FDA0003159816500000024
和误差协方差矩阵
Figure FDA0003159816500000025
ξ点经过非线性变换得到中间变量χ，然后计算得到先验估计值
Figure FDA0003159816500000026
和误差协方差矩阵
Figure FDA0003159816500000027
Figure FDA0003159816500000028
其中
Figure FDA0003159816500000029
表示第i个χ点的均值权值系数，
Figure FDA00031598165000000210
表示第i个χ点的协方差权值系数；
Figure FDA00031598165000000211
表示k-1时刻的第i个ξ点经过车辆状态方程变换得到的中间变量，
Figure FDA00031598165000000212
表示第k时刻的过程噪声统计估计值；
步骤四、量测更新模块根据先验估计值
Figure FDA00031598165000000213
以及误差协方差矩阵
Figure FDA00031598165000000214
计算得到k时刻的状态更新值
Figure FDA0003159816500000031
和状态变量x的误差协方差矩阵更新Px,k；Px,k输入无迹变换模块进行无迹变换得到新的ξ点集；
步骤五、通过噪声估计模块设计噪声估计器：
设状态变量变化率θk＝(xk-xk-1)/xk-1，满足
Figure FDA0003159816500000032
其中，
Figure FDA0003159816500000033
表示第k时刻的过程噪声统计估计值，xk为第k时刻控制系统状态变量真实值，
Figure FDA0003159816500000034
j＝1,2,...k；b为调制因子，且βk+1-j满足
Figure FDA0003159816500000035
Kj表示第j时刻的卡尔曼滤波增益矩阵，
Figure FDA0003159816500000036
表示Kj的转置，εj表示第j时刻车辆状态输出预测值与实际量测值之间的误差矩阵，
Figure FDA0003159816500000037
表示εj的转置；Pj表示车辆状态变量的第j时刻的误差协方差阵，
Figure FDA0003159816500000038
表示j-1时刻第i个ξ点经f变换得到的第i个χ点；
Figure FDA0003159816500000039
表示车辆在第j时刻状态变量的先验估计；
Figure FDA00031598165000000310
表示在第j时刻，x无迹变换后的第i个ξ点与第j时刻x的先验估计的方差权系数，n表示状态变量个数，其中，包括车辆行驶纵向速度、侧向速度和横摆角速度3个变量，n＝3；
步骤六、状态量更新模块将步骤五中的
Figure FDA00031598165000000311
带入一步预测模块中，完成车辆在第k时刻状态变量
Figure FDA00031598165000000312
的先验估计及噪声
Figure FDA00031598165000000313
统计估计；
步骤七、重复步骤四到步骤六，完成车辆状态变量的迭代、更新过程；
所述步骤四包括如下步骤：
对
Figure FDA0003159816500000041
进行无迹变换，得到点集
Figure FDA0003159816500000042
经过非线性变化得到中间变量
Figure FDA0003159816500000043
再根据式(5)计算得到第k时刻输出预测值
Figure FDA0003159816500000044
和第k时刻的量测变量协方差阵Py,k；根据k时刻的实际量测值zk，由式(5)计算得到k时刻的状态更新值
Figure FDA0003159816500000045
和状态变量x的误差协方差矩阵更新Px,k；Px,k用于下一轮的无迹变换，再次求ξ点集；
Figure FDA0003159816500000046
其中，
Figure FDA0003159816500000047
为输出预测值，Py,k为自协方差矩阵，Pxy,k为x与z的互协方差矩阵，Kk为第k时刻卡尔曼滤波增益矩阵，
Figure FDA0003159816500000048
为第k时刻状态估计值更新，Px,k为车辆状态变量的误差协方差矩阵更新，Rk为第k时刻车辆动力学系统量测噪声的方差矩阵。
CN202011200235.7A 2020-11-02 2020-11-02 一种车辆控制系统的状态估计模块 Active CN112269373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011200235.7A CN112269373B (zh) 2020-11-02 2020-11-02 一种车辆控制系统的状态估计模块

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011200235.7A CN112269373B (zh) 2020-11-02 2020-11-02 一种车辆控制系统的状态估计模块

Publications (2)

Publication Number Publication Date
CN112269373A CN112269373A (zh) 2021-01-26
CN112269373B true CN112269373B (zh) 2021-08-31

Family

ID=74344717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011200235.7A Active CN112269373B (zh) 2020-11-02 2020-11-02 一种车辆控制系统的状态估计模块

Country Status (1)

Country Link
CN (1) CN112269373B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744026A (zh) * 2013-12-19 2014-04-23 广西科技大学 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法
CN105378496B (zh) * 2013-09-05 2017-08-18 日本康奈可株式会社 估计装置以及估计方法
CN108357498A (zh) * 2018-02-07 2018-08-03 北京新能源汽车股份有限公司 一种车辆状态参数确定方法、装置及汽车
US10180327B1 (en) * 2015-06-15 2019-01-15 The Charles Stark Draper Laboratory, Inc. Methods and apparatus for navigational aiding using celestial object tracking
CN109476317A (zh) * 2016-07-29 2019-03-15 Zf腓德烈斯哈芬股份公司 行驶状态变量的确定
CN109685935A (zh) * 2017-10-18 2019-04-26 上海汽车集团股份有限公司 一种整车系统状态量的估计方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105378496B (zh) * 2013-09-05 2017-08-18 日本康奈可株式会社 估计装置以及估计方法
CN103744026A (zh) * 2013-12-19 2014-04-23 广西科技大学 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法
US10180327B1 (en) * 2015-06-15 2019-01-15 The Charles Stark Draper Laboratory, Inc. Methods and apparatus for navigational aiding using celestial object tracking
CN109476317A (zh) * 2016-07-29 2019-03-15 Zf腓德烈斯哈芬股份公司 行驶状态变量的确定
CN109685935A (zh) * 2017-10-18 2019-04-26 上海汽车集团股份有限公司 一种整车系统状态量的估计方法和装置
CN108357498A (zh) * 2018-02-07 2018-08-03 北京新能源汽车股份有限公司 一种车辆状态参数确定方法、装置及汽车

Also Published As

Publication number Publication date
CN112269373A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN108304612B (zh) 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法
CN105205313B (zh) 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置
CN113091768B (zh) 一种mimu整体动态智能标定补偿方法
CN116552548B (zh) 一种四轮分布式电驱动汽车状态估计方法
CN116382071B (zh) 深度学习网络修正补偿的气动参数智能辨识方法
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN111189454A (zh) 基于秩卡尔曼滤波的无人车slam导航方法
CN108931233A (zh) 一种道路侧向坡度值检测方法及装置
CN116992697A (zh) 一种智能电动汽车行驶状态信息估计方法
CN117272525A (zh) 一种智能电动汽车路面附着系数估计方法
CN116923428A (zh) 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法
CN112269373B (zh) 一种车辆控制系统的状态估计模块
Im et al. Simultaneous Estimation of Unknown Road Roughness Input and Tire Normal Forces Based on a Long Short-Term Memory Model
CN110912535B (zh) 一种新型无先导卡尔曼滤波方法
CN113341997B (zh) 一种基于多状态参数协同估计的横向控制方法及系统
CN114091180B (zh) 基于飞行数据的扰动风定制化建模和大气数据估计方法
CN115761868A (zh) 不确定环境下人脸表情分类的鲁棒自适应更新方法
Da Lio et al. Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles
CN112660136A (zh) 汽车底盘动力学域控制器的路面附着系数辨识方法及装置
CN117806175B (zh) 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统
CN109992907A (zh) 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法
CN117057159B (zh) 一种周期调度协议下基于三轮车运动模型的状态估计方法
CN117719519A (zh) 一种车辆行驶状态估计方法
CN116674571A (zh) 一种基于数据置信度因子的汽车质量与坡度实时估计方法
CN115723767A (zh) 一种车辆质心侧偏角估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant